Active Learning Autoencoder Anomaly Detection
Active Learning Autoencoder Anomaly Detection kombiniert die unüberwachte Rekonstruktionsfehlerscore-Ermittlung eines Autoencoders mit einer Active-Learning-Abfrageschleife. Das Modell markiert Instanzen mit hohem Fehler als Kandidaten für Anomalien, fordert selektiv einen menschlichen Orakel zur Beschriftung der informativsten Instanzen auf und trainiert iterativ neu – und erzielt so eine starke Anomalieerkennung mit nur einem geringen Beschriftungsbudget.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Pimentel, M. A. F., Clifton, D. A., Clifton, L., & Tarassenko, L. (2014). A review of novelty detection. Signal Processing, 99, 215–249. DOI: 10.1016/j.sigpro.2013.12.026 ↗
- Zhu, Y., Lukasiewicz, T. (2020). DPLAN: Discourse-level Plan-based Text Generation. Proceedings of the 28th International Conference on Computational Linguistics, 3464–3474. (See also: Guo et al. (2018). Deep Active Learning for Anomaly Detection. Neurocomputing, 290, 135–143.) link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Active Learning-Guided Autoencoder Anomaly Detection. ScholarGate. https://scholargate.app/de/machine-learning/active-learning-autoencoder-anomaly-detection
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Active Learning Isolation ForestMaschinelles Lernen↔ compare
- One-Class SVM mit aktivem LernenMaschinelles Lernen↔ compare
- Autoencoder-AnomalieerkennungMaschinelles Lernen↔ compare
- Bayesian Autoencoder Anomaly DetectionMaschinelles Lernen↔ compare
- Ensemble Autoencoder AnomalieerkennungMaschinelles Lernen↔ compare
- Semi-supervised Autoencoder AnomalieerkennungMaschinelles Lernen↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →